机房收费总结

【前言】

经过近一个多月的时间,机房收费系统终于结束了。不管是学习知识方面,也包括思想方面都有了很大的提高,解决问题收获多多。第一次接触这个系统个,给我的印象是学生系统的翻版,紧接着接触到的新知识如组合查询,数据导出,报表,数据表联系等,以旧带新。因为我有了学习的能力,所以新系统,新知识,新问题,都不是事儿!

【总览】


从面向对象方面和面向过程这两个方面来总结,重要的是对象,对象对事件的操作即是过程。思路为铺垫,实现上下机、结账的流程问题,代码为实现功能的依靠,数据库中表的增删改查,掌握联系的重要性。

【技术】

1、数据库的CURD

SQL语句是实现功能的桥梁,首先第一步,配置,实现VB与数据库的连接。其次才是,VB代码的编写对数据库表的操作。从中更能顺手的使用各种SQL语句,有时,出现“91错误”,多数情况下是VB中SQL语句的编写错误。这时,简单的一个小技巧就是把SQL语句放在SQL Server中查询一下,就能发现其中的错误。组合查询就是SQL语句与字符串的拼接。

2、模块的使用

模块很强大,在窗体中,在模块中都有体现。在模块中放入公用过程,在窗体中调用,实现复用。值得思考的是,把代码抽出来的过程形成一个类放在模块中,抽象化即是去掉细节,留下实例的本质。例如:调整MSHFlexgrid中表格列宽,很多窗体中都有这个功能,一个一个写重复的代码,毫无意义。一劳永逸的办法,抽出来,形成一个调整列宽类放在模块中。在窗体中过程的声明,例如private、public等关键词的使用,作用域不同,影响系统的运行速度等。

3、功能的完善

从用户角度出发,满足各种需求,所以功能也不断的完善着。账户余额为负,提醒上机卡号及时充值,并退卡。善意的提醒,全心全意的为人民服务这需要学习。在编写代码之前心中就要时刻记着需求这件事,实现功能是一方面,最重要的是让使用用户感到满意。

【思想】

1、理清思路
从一开始上来就对着代码一顿瞎敲,完事儿后,你为什么敲啊,思路没有,就像做事没有方法,没有效率。到后面的组合查询、上下机、结账都是先理清思路。思路就是系统的核心,指导着我们学会一步步思考。
2、客户需求
系统做的人善美,用户使用才会觉得满意。上机的时候,卡号余额不足,系统弹出提示框余额不足,请尽快充值,善意的提醒为客户着想。重新登录时,直接在一般用户下增加一个更换用户功能。即方便又高效。
3、联系实际
上机和收费这些流程都在现实生活中处处可见,所以,发现生活,建立现实与知识抽象之间的对应关系。
4、代码规范
这联系着米老师给咱们上的编码规范的课程。在这个系统中,还是有些体现,窗体的命名,界面的优化,尤其是代码的规范最为重要,不仅使人看的舒心,出现错误也能及时发现,节省时间,提高效率。

【总结】

方法很重要,掌握学习的规律,在做系统的过程,把以后的知识加以回顾,并得到实际应用,同时与实际生活相联系。颗粒归仓,在总结过程中,调试出现的问题,大多都是代码的问题,代码如人生,细致的代码展现自己注重细节的优点。总结报告完毕,如果有新发现会继续补充。


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 35
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

杨倩-Yvonne

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值